🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: FastAPI و ساخت APIهای AI for the Future of Transportation

موضوع کلی: برنامه نویسی

موضوع میانی: فست ای‌پی‌آی (FastAPI)

📋 سرفصل‌های دوره (100 موضوع)

• 1. معرفی دوره و چرا FastAPI برای آینده حمل‌ونقل؟
• 2. مقدمه‌ای بر HTTP، REST و APIهای مدرن
• 3. نصب پایتون، محیط‌های مجازی و ابزارهای توسعه
• 4. مروری بر اصول برنامه‌نویسی شی‌گرا در پایتون
• 5. کار با Type Hinting برای کد خواناتر و قابل اطمینان‌تر
• 6. مبانی برنامه‌نویسی ناهمزمان (async/await) در پایتون
• 7. آشنایی با ابزارهای مدیریت پکیج (pip, Poetry)
• 8. ساختار پروژه استاندارد پایتون برای APIها
• 9. نصب FastAPI و سرور Uvicorn
• 10. ساخت اولین API با FastAPI ("Hello World")
• 11. عملیات Path: ساخت Endpoint با متد GET
• 12. پارامترهای مسیر (Path Parameters) برای شناسایی منابع
• 13. اعتبارسنجی پارامترهای مسیر با Pydantic
• 14. پارامترهای پرس‌وجو (Query Parameters) برای فیلتر و مرتب‌سازی
• 15. مقادیر پیش‌فرض و پارامترهای اختیاری
• 16. مدل‌های داده با Pydantic برای تعریف ساختار Request Body
• 17. عملیات Path: متد POST برای ارسال داده جدید
• 18. عملیات Path: متدهای PUT و DELETE برای به‌روزرسانی و حذف
• 19. تعریف Response Model برای خروجی‌های API
• 20. مدیریت خطاها و برگرداندن HTTPException
• 21. Dependency Injection: مقدمه و مزایا
• 22. Dependency Injection: تزریق تابع به عنوان وابستگی
• 23. Dependency Injection: تزریق کلاس به عنوان وابستگی
• 24. استفاده از `Depends` برای اعتبارسنجی و پیش‌پردازش
• 25. Security: معرفی OAuth2 و JSON Web Tokens (JWT)
• 26. Security: پیاده‌سازی OAuth2 Password Flow
• 27. Security: احراز هویت با JWT در FastAPI
• 28. Security: هش کردن رمز عبور و مدیریت کاربران
• 29. Routers: ماژولار کردن کد با APIRouter
• 30. شامل کردن Routers در برنامه اصلی
• 31. Middleware در FastAPI برای پردازش درخواست/پاسخ
• 32. Cross-Origin Resource Sharing (CORS) و تنظیمات آن
• 33. معرفی پایگاه‌های داده رابطه‌ای و ORMها
• 34. SQLAlchemy Core: اتصال به دیتابیس و تعریف جداول
• 35. SQLAlchemy Core: عملیات CRUD (ایجاد، خواندن، به‌روزرسانی، حذف)
• 36. SQLAlchemy ORM: تعریف مدل‌ها برای اشیای پایتون
• 37. SQLAlchemy ORM: ساخت Session و مدیریت تراکنش‌ها
• 38. SQLAlchemy ORM: پیاده‌سازی عملیات CRUD با مدل‌ها
• 39. استفاده از درایورهای پایگاه داده ناهمزمان (Async Drivers)
• 40. ادغام SQLAlchemy و AsyncSession با FastAPI
• 41. مدیریت مهاجرت‌های دیتابیس با Alembic
• 42. Alembic: ساخت Migration اولیه و اضافه کردن تغییرات
• 43. Alembic: اعمال و بازگشت Migrationها
• 44. معرفی پایگاه داده NoSQL (مثلاً MongoDB)
• 45. اتصال به MongoDB با کتابخانه Motor در FastAPI
• 46. عملیات CRUD با Motor برای دیتابیس‌های NoSQL
• 47. مدیریت Transactionها در پایگاه داده‌های مختلف
• 48. Background Tasks برای اجرای کارهای غیرهمزمان
• 49. WebSockets: مقدمه و کاربردها در حمل‌ونقل
• 50. WebSockets: ساخت یک API برای ارتباط دوطرفه (مثلاً ردیابی زنده)
• 51. آپلود فایل و سرویس‌دهی به فایل‌های استاتیک
• 52. تست کردن برنامه‌های FastAPI با Pytest
• 53. تست کردن: Mocking Dependencies در Pytest
• 54. لاگ‌گیری (Logging) در FastAPI برای عیب‌یابی و پایش
• 55. استراتژی‌های Caching برای بهبود عملکرد API
• 56. سیستم‌های صف (Queueing Systems) برای وظایف سنگین و زمان‌بر
• 57. Exception Handling پیشرفته با Custom Exception Handlers
• 58. Custom Decorators و Middlewareهای سفارشی
• 59. تولید کلاینت‌های API از OpenAPI Specification
• 60. مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین و کاربردها
• 61. انواع مدل‌های یادگیری ماشین (رگرسیون، طبقه‌بندی، شبکه‌های عصبی)
• 62. انتخاب چارچوب ML مناسب (Scikit-learn, TensorFlow, PyTorch)
• 63. بارگذاری و ذخیره‌سازی مدل‌های ML (pickle, joblib, ONNX)
• 64. پیش‌پردازش و آماده‌سازی داده برای Inference مدل
• 65. ساخت یک API ساده برای Inference مدل یادگیری ماشین
• 66. Batch Prediction در مقابل Real-time Prediction
• 67. مدیریت نسخه‌های مدل (Model Versioning)
• 68. مبانی MLOps (Machine Learning Operations) برای استقرار پایدار
• 69. معرفی چالش‌های هوش مصنوعی در صنعت حمل‌ونقل
• 70. کار با داده‌های مکانی-زمانی (Geospatial Data)
• 71. کتابخانه‌های پایتون برای تحلیل Geospatial (Shapely, GeoPandas)
• 72. ساخت API برای مسیریابی و بهینه‌سازی مسیر (با OpenStreetMap/OSRM)
• 73. API پیش‌بینی ترافیک با استفاده از مدل‌های ML
• 74. API برای داده‌های حمل‌ونقل عمومی (GTFS - General Transit Feed Specification)
• 75. شناسایی پلاک و وسایل نقلیه با بینایی ماشین (Computer Vision)
• 76. API برای مدیریت و ردیابی ناوگان (Fleet Management)
• 77. پیش‌بینی تقاضا در تاکسی‌های آنلاین و سرویس‌های اشتراکی
• 78. سیستم‌های توصیه‌گر برای حمل‌ونقل (مثلاً بهترین وسیله یا مسیر)
• 79. داده‌های سنسور IoT در وسایل نقلیه (تله‌ماتیک)
• 80. پردازش و تحلیل داده‌های IoT از وسایل نقلیه با FastAPI
• 81. API برای تشخیص ناهنجاری در رفتار رانندگی یا عملکرد وسیله
• 82. کاربرد یادگیری تقویتی در بهینه‌سازی لجستیک و زنجیره تامین
• 83. پردازش زبان طبیعی (NLP) در پشتیبانی مشتری حمل‌ونقل
• 84. API برای سیستم‌های مدیریت پارکینگ هوشمند
• 85. پیش‌بینی خرابی قطعات خودرو با ML (Predictive Maintenance)
• 86. API برای تحلیل داده‌های سنسور خودروهای خودران
• 87. شبیه‌سازی و تست مدل‌های AI در محیط‌های حمل‌ونقل
• 88. API برای تعامل با سیستم‌های کنترل ترافیک هوشمند (ITS)
• 89. ملاحظات اخلاقی و حریم خصوصی در استفاده از AI در حمل‌ونقل
• 90. Containerization با Docker برای برنامه‌های FastAPI
• 91. Docker Compose برای مدیریت چندین سرویس (API، دیتابیس، مدل)
• 92. اصول استقرار (Deployment) با Gunicorn و Nginx/Traefik
• 93. معرفی Kubernetes و مفاهیم ارکستراسیون کانتینرها
• 94. CI/CD Pipeline برای FastAPI AI Apps (مثلاً با GitHub Actions)
• 95. مانیتورینگ API با ابزارهایی مانند Prometheus و Grafana
• 96. مانیتورینگ عملکرد مدل‌های AI (Drift detection, data quality)
• 97. بهینه‌سازی عملکرد FastAPI با استفاده از async/await و تنظیمات
• 98. استراتژی‌های مقیاس‌پذیری افقی و عمودی برای APIهای حمل‌ونقل
• 99. جمع‌بندی دوره و گام‌های بعدی در توسعه APIهای AI برای حمل‌ونقل
• 100. **استقرار و مانیتورینگ APIهای FastAPI با Docker و ابزارهای CI/CD**